一种基于DRL的低轨卫星移动边缘计算卸载策略OA北大核心CSTPCD
考虑到不同用户任务和计算能力差异,并综合低地球轨道(Low Earth Orbit,LEO)卫星移动和资源限制等因素,针对多颗LEO卫星覆盖场景下的多用户任务决策卸载问题,提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的决策卸载和资源分配策略,对系统的耗时和能耗进行优化。决策卸载问题设置为一个离散的有效状态的单用户决策选择问题,采用深度强化学习进行求解。采用拉格朗日乘子法和梯度投影法处理资源分配问题。仿真结果表明,该策略在75次迭代回合后能达到收敛,与其他策略相比,系统成本下降约50%、34%和19%。
杨黎明;金宇峰;黄淼;
重庆邮电大学通信与信息工程学院,重庆400065
电子信息工程
低轨卫星移动边缘计算资源分配深度强化学习决策卸载
《电讯技术》 2024 (009)
P.1436-1443 / 8
重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0454)。
评论